SEA-TS: Selbstlernender Agent revolutioniert Zeitreihenprognosen

Ein neues Forschungsprojekt namens SEA-TS (Self‑Evolving Agent for Time Series Algorithms) hat die Art und Weise, wie Zeitreihenprognosen entwickelt werden, grundlegend verändert. Der Agent erzeugt, testet und optimiert Prognosecode automatisch in einem iterativen Selbst‑Evolutions‑Loop, ohne dass menschliche Entwickler manuell eingreifen müssen.

SEA‑TS nutzt drei bahnbrechende Techniken: Erstens die Metric‑Advantage Monte‑Carlo Tree Search (MA‑MCTS), die anstelle fester Belohnungen einen normalisierten Vorteilsscore verwendet, um die Suche gezielter zu steuern. Zweitens ein automatisiertes Code‑Review, bei dem jeder ausgeführte Code überprüft und das Prompt dynamisch angepasst wird, um wiederkehrende Fehler zu verhindern. Drittens die Global Steerable Reasoning‑Methode, die jede Lösung mit den besten und schlechtesten bisherigen Modellen vergleicht und so Wissen über verschiedene Pfade hinweg austauscht.

Zur Förderung architektonischer Vielfalt wird ein MAP‑Elites‑Archiv eingesetzt, das unterschiedliche Modellvarianten speichert und weiterentwickelt. Auf dem öffentlichen Solar‑Energy‑Benchmark konnte SEA‑TS die mittlere absolute Fehlerquote (MAE) um 40 % gegenüber dem führenden TimeMixer reduzieren. In proprietären Datensätzen erzielte der Agent eine WAPE‑Reduktion von 8,6 % bei Solar‑PV‑Prognosen und 7,7 % bei Wohnlastprognosen im Vergleich zu menschlich entwickelten Baselines. Für die Lastprognose erreichte SEA‑TS einen MAPE von 26,17 % – deutlich besser als die 29,34 % des TimeMixers.

Darüber hinaus hat der Agent neue architektonische Muster entdeckt, darunter physikbasierte monotone Dek‑Strukturen, die die Modellleistung weiter steigern. SEA‑TS demonstriert damit, wie autonome KI‑Agenten die Entwicklung von Zeitreihenprognosen beschleunigen und gleichzeitig die Genauigkeit signifikant verbessern können.